底盘稳定性综合评估、风险判断与人机协同控制方法及系统

本发明涉及智能驾驶与线控底盘控制，具体是一种智能底盘稳定性综合评估方法、一种智能底盘综合风险判断方法、一种智能底盘人机协同控制方法，以及一种基于主从博弈的智能底盘人机协同控制系统。

背景技术：

1、随着智能驾驶技术向高阶人机共驾方向发展，车辆行驶安全性与底盘稳定性的耦合程度不断提升，底盘状态评估、行驶风险判断与人机协同控制已成为智能底盘领域的核心技术环节。目前，相关技术在实际工程应用中仍存在逐层递进的系统性优化空间，从底层状态评估、中层风险量化到上层控制决策均有完善余地，较难同时兼顾驾驶自主性、行驶安全性与乘坐舒适性。

2、在底盘稳定性评估方面，现有技术多聚焦于平面运动维度的状态判定，例如申请号为cn201910519824.2的专利申请公开了一种分布式电动汽车横摆稳定性控制方法及系统，其通过构建质心侧偏角-质心侧偏角速度相平面图，采用双线法划分稳定区域以确定质心侧偏角权重系数，最终以横摆角速度与质心侧偏角为联合控制目标，通过滑模控制计算附加横摆力矩实现车辆稳定控制。但该方案主要围绕横摆运动与质心侧偏两个平面运动维度开展评估与控制，尚未将轮胎接地附着状态、车身垂向侧倾状态充分纳入量化评估体系：一方面，轮胎摩擦圆利用率作为底盘失稳的前置信号未被有效利用，导致评估结果相对滞后于轮胎抓地力的实际衰减，难以提前捕捉底盘失稳的早期趋势；另一方面，各维度状态相对独立判定、缺乏统一的量化融合机制，较难全面表征底盘整体稳定水平，易出现单一维度指标正常但综合稳定性已有所下降的漏判情况，为后续风险判断与控制干预带来一定的底层数据偏差。这种评估维度的局限与融合机制的不足，会逐步传导至下游底盘控制环节：转向系统若低估轮胎附着极限而输出过量转角补偿，易引发车辆侧滑、甩尾等失稳现象；主动悬架若因侧倾状态评估滞后未能及时调节阻尼与作动力，会加剧车身侧倾幅度，既影响乘坐舒适性，也会改变四轮载荷分配，削弱轮胎抓地力极限，极端工况下还可能存在侧翻风险，在一定程度上制约了底盘控制的精度与安全边界。

3、基于上述底盘评估维度的局限性，现有行驶风险判断技术普遍存在内外风险结合度有待加强的问题。例如申请号为cn202510864788.9的专利申请公开了一种车辆运行风险评估方法及系统，其通过收集车辆运行数据、驾驶员状态数据、辅助驾驶系统状态数据与行驶环境数据，分别计算驾驶员操控风险、辅助驾驶操控风险与车辆运行环境风险，经加权融合后与预设阈值对比，以此输出风险等级与提示信息。但该方案的风险评估体系主要覆盖驾驶员状态、系统状态与外部环境三个维度，对底盘自身的稳定状态考量相对不足；另有部分方案仅依据车辆运动状态判定风险等级，未充分结合外部行驶环境的复杂程度。两类方案均较难形成覆盖“内部底盘状态-外部环境工况”的全域综合风险量化体系，易在部分工况下出现风险评估与实际工况匹配度不足的情况：例如外部存在障碍物但底盘附着裕度充足时，可能过度提升风险等级引发不必要的干预；或外部环境简单但轮胎抓地力已接近极限时，风险等级偏低导致安全干预不够及时。此外，多数方案采用固定阈值的风险分级方式，较难实现风险的连续平滑量化，对后续动态权限分配的支撑性有限。风险量化的偏差可能间接造成控制策略与实际工况的适配性有所偏差：过度高估风险会使自动驾驶系统介入偏多、生硬修正驾驶员操作，加剧人机控制冲突，带来驾驶突兀感与乘员不适；风险低估则会使安全干预滞后，在湿滑路面、紧急避障等极限工况下难以及时触发减速与姿态修正，延长制动距离，增加车辆碰撞与失稳的概率。同时，固定阈值的分级方式较难适配连续变化的行驶工况，导致权限分配与风险等级衔接不够紧密，进一步影响人机共驾的平顺性与安全性。

4、在人机协同控制层面，现有技术的权限分配与执行器控制仍存在可优化的空间。例如申请号为cn202511953233.8的发明专利公开了一种考虑人机互信度的协同转向控制方法，其构建双向信任评估机制，通过lstm-transformer模型预测驾驶员转角、mpc模型预测控制器转角，以此计算驾驶员对控制器的信任度，同时基于逆强化学习评估驾驶员经验得到控制器对驾驶员的信任度，经模糊规则动态分配控制权重，最终结合非合作博弈求解最优转角实现协同转向控制。但该方案主要针对转向单一系统开展权限分配与协同控制，尚未将驱动、制动与主动悬架纳入统一的优化框架进行协同求解，较难充分释放多执行器的协同稳定增益；同时采用非合作博弈框架，未明确驾驶员主导、自动驾驶跟随的主从定位，且权限分配与全域综合风险等级、底盘实时稳定状态的深度动态联动仍有提升空间。从工程实际来看，单系统独立的协同控制较难充分发挥线控底盘的协同潜力，例如高速过弯或紧急变道场景下，仅依靠转向修正轨迹，不同步调节驱动转矩与悬架姿态，会导致车辆横摆振荡加剧、车身侧倾增大，轮胎负荷不均易接近附着极限，较难有效提升车辆操纵稳定性极限与行驶安全冗余；非合作博弈的对等博弈逻辑也较难充分体现驾驶员的主导权责，可能在一定程度上增加人机决策的协调成本，且权限分配与底盘稳定性、行驶风险的联动不足，难以根据实时工况平滑调整干预强度，对驾乘平顺性与行驶安全性的进一步提升形成了一定制约。

5、综上，现有技术中，底盘稳定性评估维度相对单一且多维度融合不足、行驶风险判断内外结合度有限且全域量化有待完善、人机协同控制局限于单系统且多执行器协同性有待加强的问题层层递进、逐级传导，形成了逐层传导的技术局限，最终导致人机共驾场景下人机控制冲突时有发生、行驶安全冗余仍有提升空间、底盘稳定性能受限、乘坐舒适性有待优化等工程问题，较难实现“精准评估-合理判险-平滑控权-协同执行”的完整技术闭环，难以同时兼顾驾驶员驾驶意图保留、行驶安全保障与底盘稳定提升的多重需求。因此，亟需一种多维度融合的底盘稳定性评估方法、全域综合的行驶风险判断方法，以及基于主从博弈的多执行器协同人机控制方法，系统性解决上述逐层递进的技术问题。

技术实现思路

1、为了解决现有底盘稳定性评估局限于横摆与质心侧偏平面运动维度、未融合轮胎接地附着与垂向侧倾状态，导致评估滞后、易漏判且制约下游控制精度的技术问题，本发明提供了一种智能底盘稳定性综合评估方法。

2、为了解决现有行驶风险评估割裂内部底盘稳定状态与外部环境工况、依赖固定阈值分级，导致风险量化与实际工况适配性不足、难以支撑连续动态权限分配的技术问题，本发明提供了一种智能底盘综合风险判断方法。

3、为了解决现有人机协同控制局限于转向单系统、未明确驾驶员主导的主从定位且权限分配未与全域风险、底盘状态深度联动，导致多执行器协同增益不足、人机控制冲突频发且行驶安全冗余有限的技术问题，本发明提供了一种智能底盘人机协同控制方法。

4、基于上述三种方法，本发明还提供了一种执行三者的基于主从博弈的智能底盘人机协同控制系统。

5、为实现上述目的，本发明提供如下技术方案：

6、一种智能底盘稳定性综合评估方法，在当前控制周期内执行以下评估步骤：

7、通过轮端力传感器与路面附着估计单元获取第i个轮胎的纵向力fxi、侧向力fyi、垂向载荷fzi和路面附着系数，计算该轮胎的摩擦圆利用率，并基于计算轮胎摩擦圆势场，max(·)为取最大值操作，为轮胎摩擦圆势场增益系数，ε为防零常数；

8、通过陀螺仪传感器获取车辆实际横摆角速度r，并结合参考横摆角速度rref和预设的横摆角速度偏差的稳定性边界rlim，计算横摆稳定性势场，kyaw为横摆稳定性势场增益系数；

9、通过车辆状态观测器获取车辆质心侧偏角β，并基于预设的质心侧偏角稳定性边界βlim，计算质心侧偏稳定性势场，kβ为质心侧偏稳定性势场增益系数；

10、通过左右轮垂向载荷传感器分别获取左侧车轮垂向载荷之和与车辆右侧车轮垂向载荷之和，并计算车身侧倾稳定性势场，kroll为车身侧倾稳定性势场增益系数；

11、将ef、eyaw、eβ和eroll线性叠加得到底盘稳定性势场echassis，将echassis输出至车辆底盘域控制器，用于生成线控转向、驱动制动或主动悬架的调节控制指令，以对车辆底盘执行系统进行稳定性控制。

12、一种智能底盘综合风险判断方法，包括以下判断步骤：

13、通过车载环境感知单元获取第q个障碍物的位置坐标、相对速度、运动加速度与类型属性，结合自车质心坐标与纵向车速，基于归一化椭圆距离模型计算该障碍物的风险感知场eo_q，叠加全部障碍物的风险感知场得到障碍物风险分量；

14、通过车道线识别单元获取第c条车道边界的位置与类型参数，结合当前车道宽度d，计算该车道边界的风险感知场er_c，叠加全部车道边界的风险感知场得到道路边界风险分量；

15、将与叠加得到的环境风险势场eenv，将eenv与通过智能底盘稳定性综合评估方法计算得到的echassis线性叠加，得到整车综合风险势场es，并将es归一化为综合风险量en，将en输出至车辆驾驶决策单元与底盘域控制器，用于动态调整人机驾驶权限、生成底盘执行系统的调节控制指令，实现车辆行驶风险的控制。

16、作为上述方案的进一步改进：风险感知场eo_q的计算公式如下：

17、；

18、；

19、；

20、；

21、；

22、式中，rq为第q个障碍物的路况影响因子；mq为第q个障碍物的虚拟质量；rq为归一化椭圆坐标下的自车与第q个障碍物之间的相对距离；exp(·)为自然指数函数；k1为加速度影响增益；aq为第q个障碍物的加速度；cos为余弦函数；θq为第q个障碍物的运动方向与自车-障碍物连线之间的夹角；mq为第q个障碍物的等效质量；ttype,q为第q个障碍物的类型权重系数，障碍物类型包括机动车、非机动车、行人和静态障碍物；vq为自车与第q个障碍物之间的相对速度；(x,y)为自车质心坐标，(xq,yq)为第q个障碍物的位置坐标；ξ1为纵向尺度参数；ξ2为横向尺度参数；k2、k3、k4为标定常数；vmax为道路最高限速；tc为预设碰撞时间阈值；vx为自车纵向速度；e(·)为自然指数函数；|·|为取模长操作；

23、风险感知场er_c的计算公式如下：

24、；

25、式中，ltc为第c条车道边界的类型权重系数；rc为第c条车道边界的路况影响因子；k5为道路边界势场形状增益；rc为自车质心到第c条车道边界的横向距离。

26、一种智能底盘人机协同控制方法，包括以下分配步骤：

27、根据自车参考行驶轨迹、轨迹跟踪误差、车辆实时运动状态信息和底盘状态信息，以及前车运动状态信息，生成驾驶员控制序列与自动驾驶系统控制序列；

28、构建以驾驶员为主方、自动驾驶系统为从方的主从博弈模型，将驾驶员控制序列作为主方决策变量，将自动驾驶系统控制序列作为从方决策变量，同时分别构建主方代价函数与从方代价函数；建立智能底盘预测控制状态方程，刻画前轮转角输入、驱动制动转矩输入与车辆运动误差状态之间的动力学映射关系；

29、基于智能底盘综合风险判断方法获取的综合风险量en计算驾驶员初始权限，并生成驾驶员候选权限集合；

30、针对每一驾驶员候选权限，代入主从博弈模型迭代求解：以当前控制周期的车辆状态为预测初值，基于预测控制状态方程在预测时域内递推车辆状态演化趋势；采用双层迭代法依次求解得到当前驾驶员候选权限对应的驾驶员协同控制最优控制序列、自动驾驶系统协同控制最优控制序列；将两组最优控制序列分别代入对应代价函数，计算得到驾驶员协同控制最优代价值与自动驾驶系统协同控制最优代价值；

31、构建包含两个最优代价值、候选权限与初始权限的偏差惩罚项、均衡状态预测风险惩罚项的权限综合优化目标；

32、遍历全部驾驶员候选权限，选取使权限综合优化目标取值最小的驾驶员候选权限，作为当前控制周期的最优人机驾驶权限；

33、按照最优人机驾驶权限，对驾驶员协同控制最优控制序列、自动驾驶系统协同控制最优控制序列进行同量纲加权融合，得到最终线控底盘控制指令；

34、将最终线控底盘控制指令分别下发至线控转向系统、驱动系统、制动系统与主动悬架系统执行，驱动车辆运动并实时采集更新车辆状态。

35、作为上述方案的进一步改进：驾驶员控制序列由车辆前轮目标转角δh、驱动控制转矩与制动控制转矩构成，对应驾驶员的基准驾驶操作意图：

36、车辆前轮目标转角δh的计算公式为：

37、；

38、式中，为自车质心位置相对于预设参考行驶轨迹的横向偏移距离的一阶导数；lp为近预瞄距离，dfar为远预瞄距离；ednear为沿自车行驶方向向前预瞄lp距离处，自车预计位置相对于参考行驶轨迹的横向偏移量；为自车实际行驶航向与参考行驶轨迹对应点切线航向的夹角偏差；kr为参考行驶轨迹在对应位置处的曲率值；ki为横向误差变化率积分增益，kp为近预瞄偏差比例增益，kc为曲率前馈增益，三者为标定得到的控制参数；

39、驱动控制转矩与制动控制转矩的计算过程为：

40、先计算驾驶员期望安全距离：

41、；

42、式中，s0为车辆静止时需保留的最小跟车间距；max[·]为取最大值操作；th为自车行驶到前车当前位置所需的预设时间；δv为自车纵向速度减去前车纵向速度的差值，正值代表自车车速高于前车；a为驾驶员最大期望加速度；b为驾驶员舒适减速度；

43、再基于驾驶员期望安全距离求解驾驶员期望纵向加速度：

44、；

45、式中，为驾驶员期望行驶车速；γh为自由行驶加速度指数；sh为实际跟车距离，指自车车头前端与前车车尾后端之间的纵向净距离；

46、最后，根据驾驶员期望纵向加速度的正负，分别转换为驱动控制转矩与制动控制转矩；

47、；

48、；

49、式中，kdrv为驾驶员驾驶驱动侧加速度-转矩转换系数；kbrk为驾驶员驾驶制动侧加速度-转矩转换系数；

50、自动驾驶系统控制序列由前轮目标转角补偿修正值、驱动控制转矩补偿修正值、制动控制转矩补偿修正值和主动悬架垂向作动力调节量构成，对应自动驾驶系统对驾驶操作的修正补偿：

51、前轮目标转角补偿修正值用于修正轨迹跟踪偏差，首先建立横向离散状态方程，刻画前轮转角输入与自动驾驶系统横向控制状态之间的动态演化关系，再基于该方程预测未来多个控制周期的误差变化趋势，以跟踪误差最小为优化目标，求解得到各控制周期的最优转角补偿值；对应的横向离散状态方程如下：

52、；

53、式中，k为控制周期序号，每一个控制周期对应一段固定的采样控制时长；xm为自动驾驶系统横向控制状态，由横向位置误差、横向位置误差变化率、航向角误差、航向角误差变化率依次构成；xm(k)、xm(k+1)分别为第k、k+1个控制周期的自动驾驶系统横向控制状态；am(k)为第k个控制周期的离散化后的系统状态矩阵；bm(k)为第k个控制周期的离散化后的控制输入矩阵；δm(k)为第k个控制周期的前轮目标转角补偿修正值；

54、驱动控制转矩补偿修正值与制动控制转矩补偿修正值均为转矩型控制量，用于对驾驶员侧输出的驱动控制转矩、制动控制转矩进行叠加修正，二者基于纵向速度跟踪误差ev通过pid控制律求解：先计算自动驾驶期望纵向速度与自车实际纵向速度的偏差，再经比例、积分、微分环节运算得到纵向加速度修正量，最终根据纵向加速度修正量的正负分段转换为驱动控制转矩补偿修正值与制动控制转矩补偿修正值：

55、纵向速度跟踪误差为：

56、；

57、式中，为自动驾驶系统期望纵向行驶速度；

58、自动驾驶纵向加速度修正量为：

59、；

60、式中，、与分别为纵向速度比例增益、积分增益与微分增益，三者为标定得到的控制参数；dt为时间t的微元；

61、根据自动驾驶纵向加速度修正量的正负，分别转换为驱动控制转矩补偿修正值与制动控制转矩补偿修正值：

62、；

63、；

64、式中，为自动驾驶驱动侧加速度-转矩转换系数；为自动驾驶制动侧加速度-转矩转换系数；

65、主动悬架垂向作动力调节量基于车身侧倾状态与轮载转移状态求解：通过侧倾角比例反馈、侧倾角速度阻尼反馈结合轮载转移率前馈，计算得到目标侧倾补偿力矩，再经四轮垂向载荷分配矩阵转换为各车轮对应的主动悬架垂向作动力调节量，通过左右悬架反向调节抵消车身侧倾力矩；目标侧倾补偿力矩的计算公式为：

66、；

67、；

68、；

69、式中，为车身侧倾角，为车身侧倾角速度；ltr为轮载转移率；gz为四轮垂向载荷分配矩阵；为侧倾角比例系数，为侧倾角速度阻尼系数，kltr为轮载转移补偿系数，三者为主动悬架控制的标定参数；

70、驾驶员控制序列和自动驾驶系统控制序列中的各控制量，均在预测时域内按固定预测步逐点计算，并按时序排列形成序列形式的决策变量，用于输入主从博弈模型优化求解人机驾驶权限。

71、作为上述方案的进一步改进：主从博弈模型以驾驶员控制序列、自动驾驶系统控制序列为双方决策变量，用于求解不同驾驶员候选权限下的人机博弈均衡结果；主方代价函数与从方代价函数均在预测时域内由各单步代价与终端代价叠加得到：

72、主方为驾驶员侧，其对应的主方代价函数jh为：

73、；

74、式中，np为预测时域总步数，为预测步序号，对应预测时域内的第个虚拟离散节点，映射到真实时域内为第个控制周期；

75、为意图保持项，用于衡量在第k个控制周期观测条件下，第个预测步协同控制量与驾驶员基准控制量的偏差；

76、为轨迹偏差项，用于衡量在第k个控制周期观测条件下，第个预测步的自车相对于参考轨迹的横向跟踪误差大小；

77、为风险惩罚项，用于衡量在第k个控制周期观测条件下，第个预测步的惩罚权重；

78、为控制平顺项，用于衡量在第k个控制周期观测条件下，预测得到的第个预测步相邻预测步控制量的变化率；

79、为人机冲突项，用于衡量在第k个控制周期观测条件下，预测得到的第个预测步的人机双方控制量的差异程度；

80、为终端代价，用于约束预测时域末端的自动驾驶系统横向控制状态；

81、从方为自动驾驶系统侧，其对应的从方代价函数jm满足：

82、；

83、式中，为轨迹跟踪项，用于衡量在第k个控制周期观测条件下，预测得到的第个预测步的转角补偿后的轨迹跟踪精度；

84、为风险惩罚项，用于强化在第k个控制周期观测条件下，预测得到的第个预测步的安全修正强度；

85、为底盘稳定项，基于在第k个控制周期观测条件下，预测得到的第个预测步的车身侧倾角、轮载转移率衡量车辆行驶稳定性；

86、为执行器代价项，用于约束在第k个控制周期观测条件下，预测得到的第个预测步的转向补偿量、驱动/制动补偿转矩、悬架调节量的幅值；

87、为控制平顺项，用于约束在第k个控制周期观测条件下，预测得到的第个预测步的补偿调节量的变化速率；

88、为人机协同项，用于衡量在第k个控制周期观测条件下，预测得到的第个预测步的自动驾驶补偿调节量与驾驶员基准操作的适配程度；

89、为从方终端代价，用于约束预测末端的车辆稳定状态。

90、作为上述方案的进一步改进：其特征在于，针对每一驾驶员候选权限的迭代求解过程具体为：

91、首先构建驾驶员候选权限集合：

92、；

93、式中，λ(s)为第s个驾驶员候选权限，m为驾驶员候选权限的总数量；

94、遍历全部驾驶员候选权限，逐个代入主从博弈模型进行均衡求解：

95、针对第s个驾驶员候选权限λ(s)，以第k个控制周期的车辆综合状态向量xm(k)作为预测初值xm(k|k)，xm(k|k)=xm(k)；

96、基于智能底盘预测控制状态方程，在预测时域内逐预测步递推计算车辆综合状态序列，智能底盘预测控制状态方程为：

97、；

98、式中，、分别为在第k个控制周期观测条件下，预测得到的第、个控制周期的车辆综合状态向量，由横向位置误差、横向位置误差变化率、航向角误差、航向角误差变化率、质心侧偏角、车身侧倾角、车身侧倾角速度、轮载转移率依次构成；

99、为在第k个控制周期观测条件下，预测得到的第个控制周期的驾驶员控制序列，包含车辆前轮目标转角、驱动控制转矩与制动控制转矩；

100、为在第k个控制周期观测条件下，预测得到的第个控制周期的自动驾驶系统控制序列，包含前轮目标转角补偿修正值、驱动控制转矩补偿修正值、制动控制转矩补偿修正值与主动悬架垂向作动力调节量；

101、为在第k个控制周期观测条件下，预测得到的第个控制周期的外部扰动向量，包含路面附着系数、道路曲率、前车加速度扰动信息；

102、fd[·]为离散化智能底盘动力学演化函数，刻画控制输入、外部扰动与车辆状态演化之间的物理映射关系；

103、给定驾驶员基准控制策略序列与驾驶员候选权限λ(s)，将预测时域内的车辆综合状态序列代入从方代价函数jm，以jm取值最小为优化目标，求解得到自动驾驶系统相对于驾驶员控制的最优响应控制序列：

104、将自动驾驶系统的最优响应控制序列代入主方代价函数jh，以jh取值最小为优化目标，求解得到驾驶员候选权限λ(s)下的驾驶员协同控制最优控制序列；

105、将驾驶员协同控制最优控制序列代入自动驾驶系统的从方代价函数jm，以jm取值最小为优化目标，求解得到驾驶员候选权限λ(s)对应的自动驾驶系统协同控制最优控制序列；

106、将驾驶员协同控制最优控制序列、自动驾驶系统协同控制最优控制序列代入智能底盘预测控制状态方程，在预测时域内逐预测步递推，得到均衡预测状态序列；

107、将驾驶员协同控制最优控制序列、自动驾驶系统协同控制最优控制序列以及均衡预测状态序列，分别代入驾驶员代价函数与自动驾驶系统代价函数，计算得到驾驶员候选权限λ(s)对应的驾驶员协同控制最优代价值和自动驾驶系统协同控制最优代价值。

108、作为上述方案的进一步改进：其特征在于，

109、驾驶员初始权限λ0基于综合风险量en通过sigmoid函数计算，计算公式为：

110、；

111、式中，a0为权限平衡点偏移参数；b0为风险灵敏度参数；

112、以驾驶员初始权限为中心，在[0,1]取值区间内均匀采样生成驾驶员候选权限集合；

113、权限综合优化目标用于从驾驶员候选权限集合中筛选最优权限，计算公式为：

114、；

115、式中，s为驾驶员候选权限序号，λ(s)为第s个驾驶员候选权限；jλ(s)为λ(s)对应的权限综合优化目标；、分别为λ(s)对应的驾驶员协同控制最优代价值、自动驾驶系统协同控制最优代价值的归一化值；为λ(s)对应均衡状态下的综合风险量；ωh、ωm、ωλ、ωe依次为主方代价权重、从方代价权重、权限偏差惩罚权重、风险惩罚权重；

116、最终选取使权限综合优化目标取值最小的驾驶员候选权限，作为当前控制周期的最优人机驾驶权限；

117、最优人机驾驶权限输出后，按权限阈值分级执行实体控制：

118、当最优驾驶员权限高于第一权限阈值时，为高权限区间，以驾驶员控制意图为主，自动驾驶系统仅输出小幅安全补偿指令，底盘执行系统维持舒适性控制策略；

119、当最优驾驶员权限处于第一权限阈值与第二权限阈值之间时，为中权限区间，驾驶决策单元按权限比例加权融合人机转向转角、驱动转矩与制动转矩指令，自动驾驶系统同步输出悬架稳定性补偿指令；

120、当最优驾驶员权限低于第二权限阈值时，为低权限区间，系统切换至自动驾驶安全优先模式，自动驾驶系统接管主要控制权限，输出全维度底盘稳定性控制指令，包括转向纠偏、制动减速与主动悬架防侧倾控制，优先保障行驶安全。

121、作为上述方案的进一步改进：得到最优人机驾驶权限后，按同量纲加权融合规则生成最终底盘控制指令，具体过程为：

122、前轮目标转角指令如下：

123、；

124、式中，δcmd(k)为第k个控制周期的最终前轮目标转角；(k)为第k个控制周期的最优人机驾驶权限；为第k个控制周期的驾驶员协同控制最优控制序列中的驾驶员侧前轮目标转角；为第k个控制周期的自动驾驶系统协同控制最优控制序列中的自动驾驶侧前轮目标转角补偿修正值；

125、驱动制动控制转矩指令如下：

126、；

127、；

128、式中，为第k个控制周期的最终驱动控制转矩；为第k个控制周期的驾驶员协同控制最优控制序列中的驾驶员侧驱动控制转矩；为第k个控制周期的自动驾驶系统协同控制最优控制序列中的自动驾驶侧驱动控制转矩补偿修正值；

129、为第k个控制周期的最终制动控制转矩；为第k个控制周期的驾驶员协同控制最优控制序列中的驾驶员侧制动控制转矩；为第k个控制周期的自动驾驶系统协同控制最优控制序列中的自动驾驶侧制动控制转矩补偿修正值；

130、主动悬架控制指令如下：

131、；

132、为第k个控制周期的最终主动悬架垂向作动力调节量；为第k个控制周期的自动驾驶系统协同控制最优控制序列中的自动驾驶侧主动悬架垂向作动力调节量补偿修正值。

133、一种基于主从博弈的智能底盘人机协同控制系统，包括：

134、感知采集模块，用于采集车辆实时运动状态参数、底盘受力状态参数、周边障碍物与车道边界环境信息、预设参考行驶轨迹信息以及前车运动状态信息，并下发至其余各模块；

135、底盘稳定性评估模块，用于执行智能底盘稳定性综合评估方法，基于轮胎力、横摆角速度、质心侧偏角与轮载转移率计算并输出底盘稳定性势场；

136、行驶风险判断模块，用于执行智能底盘综合风险判断方法，结合障碍物风险感知场、道路边界风险感知场与底盘稳定性势场，计算并输出整车综合风险量；

137、控制序列生成模块，用于根据参考行驶轨迹、轨迹跟踪误差、车辆状态与前车状态，分别生成驾驶员基准控制序列与自动驾驶基准控制序列；

138、主从博弈权限分配模块，用于执行智能底盘人机协同控制方法中的权限求解步骤，构建主从博弈模型与智能底盘预测控制状态方程，遍历全部驾驶员候选权限求解博弈均衡，通过权限综合优化目标筛选得到当前控制周期的最优人机驾驶权限及对应人机协同最优控制序列；

139、人机协同控制模块，用于按照最优人机驾驶权限对驾驶员协同控制最优控制序列、自动驾驶系统协同控制最优控制序列进行加权融合，生成最终线控底盘控制指令；

140、底盘执行模块，包含线控转向单元、驱动电机单元、制动执行单元与主动悬架单元，用于接收最终线控底盘控制指令并执行对应物理动作，实现车辆转向、驱动、制动与悬架垂向调节的实体闭环控制。

141、与现有技术相比，本发明的有益效果是：

142、1、在车辆底盘多维度稳定性评估方法中，建立了轮胎摩擦圆势场、横摆稳定性势场、质心侧偏稳定性势场、车身侧倾稳定性势场组成的四维量化体系，把轮胎摩擦圆利用率作为底盘失稳的前置预警信号，能够提前捕捉到轮胎抓地力衰减的早期趋势。同时，它把四个维度的状态量统一换算成可以直接叠加的势场数值，通过线性融合计算出整体底盘稳定性势场，实现对底盘稳定状态多维度、连续性的综合评判。这么做一方面能解决单一维度评估反应滞后、覆盖片面的问题，降低稳定性漏判的概率；另一方面也能给后续的行驶风险判断、底盘控制干预提供更精准的底层状态依据，避免因为评估偏差出现转向过量、悬架调节滞后等问题，从源头拓宽底盘控制的安全边界，实实在在提升车辆行驶过程中的稳定性控制效果。

143、2、在智能底盘综合风险判断方法中，把稳定性评估方法输出的底盘稳定性势场作为内部风险的计算基底，和基于障碍物相对距离、运动状态、道路边界距离计算得到的外部环境风险势场做全域叠加，形成同时覆盖“底盘内部状态-外部行驶工况”的综合风险势场；再经过归一化处理，输出连续平滑的综合风险量，替代了传统固定阈值的分级模式，让风险量化结果可以跟随行驶工况动态连续变化。这种方式既可以避免只考量单一维度带来的风险高估或低估问题，让风险判断和实际行驶场景的匹配度更高；也能为后续人机驾驶权限的动态平滑分配提供连续可量化的决策依据，减少因为风险等级跳变引发的控制突兀感，驾乘感受更平顺。

144、3、在智能底盘人机协同控制方法中，首先确立了驾驶员为主方、自动驾驶系统为从方的主从博弈架构，明确了驾驶员的主导权责和自动驾驶系统的跟随补偿定位，权责边界清晰。在此基础上，以全域综合风险量为依据生成驾驶员初始权限与候选权限集合，针对每一个候选权限，通过双层迭代求解出人机双方的博弈均衡策略；再结合双方代价值、权限偏差与均衡风险构建综合优化目标，从中筛选出最优人机驾驶权限。最后，它把转向、驱动、制动与主动悬架四类执行器的控制量纳入统一优化框架，按照最优权限完成同量纲加权融合，输出最终控制指令。这套方法既实现了驾驶权限随风险状态的连续平滑调整，有效缓解人机控制冲突；也通过多执行器的协同优化，充分释放线控底盘的稳定增益，在保留驾驶员操作意图的同时，提升了车辆的操纵稳定性极限与行驶安全冗余。